MiMo-V2.6-Pro：士别五月，刮目相看

基本情况

2026 年 9 月 22 日，小米交出 MiMo-V2.6-Pro。上一代 Pro 是 4 月 15 日的 V2.5-Pro，间隔五个月出头——放在国产头部模型两个月一小步的节奏里，这不算快，但小米把这段时间花在了一个很具体的方向上：把工具用熟，把长任务跑完。前代留下的问题是能力面窄，V2.5-Pro 在榜上只有 13 个 benchmark，其中能和 V2.6-Pro 直接对上的仅两个：HLE 从 40.0 涨到 49.0（+9.0），自建的 MiMo Coding Bench 反而从 73.7 掉到 63.2（−10.5）。口径太薄，纵向对比只能往更宽的 V2.5（3 月 15 日）去找：HLE 25.2 → 49.0（+23.8），SciCode 43.1 → 61.0（+17.9），CritPT 3.7 → 27.0（+23.3），AA-LCR 62.7 → 86.0（+23.3），Agents’ Last Exam 23.6 → 31.6（+8.0）。半年的着力点，基本都落在”会用工具”这一侧。

发布时机在九月这个超级月的尾巴上：GPT-6 Astra、Claude Fable 5.1、Gemini 3.8 Flash、Muse Spark 1.3 挤在同一周，Qwen3.8-Max-0902、DeepSeek-V4.1-Flash 随后，阶跃星辰的 Step 5 Preview 是两天前。MiMo-V2.6-Pro 带着 27 个 benchmark 入场，其中 Terminal-Bench 4.0 按官方报告与 Artificial Analysis 两个口径分别列示、各占一格，合计 28 格；进入综合排名统计的是 18 格（Code 榜 8 项、General 榜 10 项），榜单上暂无 V2.6 的价格与 Token 数据，档位与成本策略无从谈起，这里只谈分数。

结果是一次到位：综合榜全球第六、国产第一，Code 榜全球第六、国产第一，General 榜全球第七、国产第一。三榜国产头名同时收入囊中，在今年的发布里是头一回。

优势

Agent 与工具调用：AutomationBench 在 35 个模型里排第一

这是 MiMo-V2.6-Pro 最硬的一块。AutomationBench 拿到 59.0，全榜第一，领先 DeepSeek-V4.1-Flash 的 54.8 有 4.2 分，对 Grok 4.5（51.0）、Qwen3.8-Max-0902（50.8）、Claude Opus 5（50.3）、GLM-5.3（48.2）、Kimi K3（46.7）的领先都在七分以上，比 GPT-6 Astra 的 41.4 高出近 18 分——一个国产模型在”把事办成”这个最朴素的维度上压住了所有北美旗舰。Toolathlon-Verified 76.9 排第三，距 Claude Fable 5.1 的 77.9、Claude Opus 5 的 77.6 只差 1.0 与 0.7 分，却已越过 Kimi K3 的 76.5 和 Qwen3.8-Max-0902 的 73.3。配套的视觉编程也没有掉队，MiMo Visual Coding 拿到 72.3；JobBench 62.0 排第四，落后 Claude Opus 5 的 68.0、Muse Spark 1.3 的 64.9 和 Qwen3.8-Max-0902 的 64.0，但压住 GLM-5.3 的 58.2、Kimi K3 的 54.3 与 DeepSeek-V4.1-Flash 的 44.3。也就是说，在最能体现实战成色的两个 Agent 榜上，它要么第一，要么在 1 分以内。

安全攻防：CyberGym 紧随自家 Flash，SEC-Bench Pro 越过 DeepSeek

安全是这一代的意外之喜。CyberGym 94.0 排第二，前一名是同门 MiMo-V2.6-Flash 的 95.1，再往下是 DeepSeek-V4.1-Flash 的 88.1（差距 5.9 分）、Step 5 Preview 的 84.7、GLM-5.3 与 GPT-5.6 Sol 的 84.5、Kimi K3 的 80.0——也就是说这个榜的前两名全是小米，且对北美旗舰的领先接近十分。SEC-Bench Pro 66.3 排第三，落后 GPT-6 Astra 的 85.4 和 GPT-5.6 Sol 的 71.2，但压住了 DeepSeek-V4.1-Flash 的 62.8。自建的 MiMo Cyber Bench 81.7 与 MiMo Visual Coding 72.3 都只高于自家 Flash 的 77.2 与 71.5，没有任何第三方参照，榜单只作展示、不计入排名，此处仅记录。需要泼一点冷水的是 ExploitBench 47.9 只排第十——它与 GPT-5.5 同分，因榜单按行序定名次而列在其后，前面的 GPT-6 Astra 是 100.0、Claude Fable 5 与 Claude Mythos 5 都是 78.0——”找漏洞”和”打比赛”之间还有一道坎。

编程：Terminal-Bench 2.1 与 SciCode 双榜眼

Code 榜只有 8 项参评，但两项都咬住了前排。Terminal-Bench 2.1 拿到 89.9，在 52 个模型里排第二，仅次于 DeepSeek-V4.1-Flash 的 90.6，差 0.7 分；后面紧跟着 GPT-5.6 Sol 与 Muse Spark 1.3 的 88.8、Kimi K3 的 88.3、GLM-5.3 的 88.2，第三名到第六名之间总共只差 0.6 分，MiMo-V2.6-Pro 是挤在最顶上的那个。SciCode 61.0 同样排第二（68 个模型参评），落后 Claude Fable 5.1 的 62.0 一分，高于 Claude Fable 5 的 60.2、Kimi K3 的 59.0、Step 5 Preview 的 58.9、GPT-5.6 Sol 的 57.0 与 Claude Opus 5 的 55.0。JobBench 62.0 之外，DeepSWE 1.1 的 71.9 排第七，是唯一明显居中的一项，前面是 Muse Spark 1.3（75.4）、DeepSeek-V4.1-Flash（74.2）、GPT-6 Astra（74.1）、Claude Opus 5（74.0）、Gemini 3.8 Flash（73.7）。需要说明的是，Code 榜上排在它前面的五名里，Claude Fable 5.1 与 Claude Opus 5 分别有 10 个和 18 个 Code benchmark、Claude Fable 5 有 16 个，确实是拿参赛面积换的；但 GPT-6 Astra 的 8 个、Muse Spark 1.3 的 4 个都不比 MiMo-V2.6-Pro 的 8 个更多——前排不全是面积堆出来的，而在它参评的每一项上，它都咬在第一梯队。

知识检索：AA-LCR 全榜第二，反超北美旗舰

AA-LCR 86.0 是 MiMo-V2.6-Pro 分数最亮眼的一项，仅次于 Step 5 Preview 的 88.3，高于 Muse Spark 1.2（83.0）、Gemini 3.8 Flash 与 Muse Spark 1.1（均 81.0）、Claude Fable 5.1（80.0）、GLM-5.3（76.0）、Kimi K3（75.0）、DeepSeek-V4.1-Flash（74.2）和 GPT-6 Astra（74.0）。这个 benchmark 考的是”带着来源回答长问题”，一个一直在榜单中下游的系列，在知识检索这一项上压住了 GPT-6 Astra 十二分，这不是运气。同一方向的 HLE 49.0 排第七（90 个模型参评），也高过 Kimi K3 的 46.9、GLM-5.3 的 42.3 和 DeepSeek-V4.1-Flash 的 36.8。展示位的 GDPval-AA v2 Elo 1673 排第十三，低于 GLM-5.3 的 1769 与 Kimi K3 的 1682，高于 Gemini 3.8 Flash 的 1545。

不足

知识准确率：AA-Omniscience Accuracy 只有 35.0

这是最刺眼的一格。AA-Omniscience 准确率 35.0，在 40 个模型里排第三十一。Claude Fable 5.1 是 67.0、GPT-6 Astra 63.0、Claude Fable 5 61.0、GPT-5.6 Sol 59.0，与榜首的差距是 32 分。同一个 benchmark 的非幻觉率倒是 59.0、排第十四，前面是 MiniMax-M3（84.0）、GLM-5.2（74.0）、GLM-5.3-Flash（72.0）、GLM-5.3 与 Qwen3.8-27B（均 70.0）。两组数字放在一起，说明的不是”它爱编”，而是”它不知道”：知道自己不知道的自觉有了，知识的家底还没有。公平地说，这一项并非它独有——DeepSeek-V4.1-Flash 的 35.4 只比它高 0.4 分，GLM-5.3 的 34.0 就排在它身后；但对一个 AA-LCR 能拿 86.0 的模型，知识准确率停在 35.0，暴露的正是”会找”与”记得”之间的那道沟。

难度抬一档就露底

Terminal-Bench 4.0 现在按两个口径分别列示。官方报告口径，MiMo-V2.6-Pro 是 34.9，在 9 个有官方报数的模型里排第六，前面是 GPT-6 Astra 57.9、Claude Fable 5.1 55.8、Claude Opus 5 52.3、Claude Fable 5 42.0、GPT-5.6 Sol 37.3，与榜首相差 23.0 分。Artificial Analysis 口径则是 35.0，在 10 个模型里排第五，前面的 GPT-5.6 Terra 55.8、GPT-5.6 Luna 55.1、Claude Opus 5 51.8、GPT-5.6 Sol 37.3 全都没有官方数字可比。两套口径的结论一致：这一项它进不了前四。ProgramBench 26.5 排第五，低于 Claude Opus 5 的 41.5 与 Claude Fable 5 / 5.1 的 33.0——Step 5 Preview 那个 80.5 因口径不一致已被榜单排除出排名，不参与比较。漏洞利用侧同样吃力：ExploitBench 47.9 只排第十（与 GPT-5.5 同分）、ExploitGym 17.8 排第九，而 GPT-5.6 Sol 在这两个榜上分别是 76.5 与 216，Claude Fable 5 的 ExploitGym 是 181、GLM-5.3 是 105。CritPT 27.0 排第八，前面是 GPT-5.6 Sol（32.3）、GPT-6 Astra（32.0）、Claude Fable 5.1（30.0）。超长程、超高难度的任务上，MiMo-V2.6-Pro 与北美旗舰之间还隔着一整个身位——这在国产模型里是通病，但它确实还没有迈过去。

覆盖窄、自建题多、ClawProBench 缺席

27 个 benchmark（Terminal-Bench 4.0 两个口径共 28 格）里只有 18 格进得了排名，Code 榜 8/26、General 榜 10/55、综合榜 18/81，其中还包括三个 MiMo 自有 benchmark——三者都只有自家 V2.6 两代互相比，没有任何第三方参照（MiMo Coding Bench 73.7→63.2、MiMo Cyber Bench 77.2→81.7、MiMo Visual Coding 71.5→72.3），榜单只作展示、不计入排名。窄覆盖在胜率制排序下是把双刃剑：它让 MiMo-V2.6-Pro 在自己参评的项上几乎场场小胜，却也让它从未在宽口径考场上证明过自己——OSWorld-Verified 82.0 只排第八（前面是 Qwen3.8-Max 的 86.1、Claude Fable 5 的 85.0、Qwen3.8-27B 的 84.3、Claude Opus 4.8 的 83.4、GPT-5.6 Sol 的 83.2），GDP.pdf 19.0 排第十三，Claude Opus 5 是 37.0。另一个必须记下的信号：自建的 MiMo Coding Bench 从 V2.5-Pro 的 73.7 退到 63.2，是全部共同项里唯一明显回退的一个——一个团队敢把退步的数字一起放出来，比只放涨的更难得。另外，ClawProBench（OpenClaw 实战编程）榜上目前还没有 V2.6 的实测记录，MiMo 系列的最高位次仍是 mimo-v2.5-pro 的第 15 名（63.30 分），这一场考试，小米还没进场。

酥悠沫评

士别三日，即更刮目相待。——《三国志·吴书·吕蒙传》

吕蒙从”吴下阿蒙”到”非复吴下阿蒙”，靠的不是天赋被重新发现，而是忽然知道自己该读什么书。MiMo-V2.6-Pro 有几分相似：五个月前它还是个在榜单中下游安静排着的系列，一次发布之后，AutomationBench 59.0 站上 35 个模型之首，CyberGym 94.0 与自家 Flash 包揽前二，Terminal-Bench 2.1 的 89.9 距榜首 0.7 分，SciCode 61.0 距 Claude Fable 5.1 一分，AA-LCR 86.0 反超 GPT-6 Astra 的 74.0 十二分。综合第六、Code 第六、General 第七，三榜国产第一。

但刮目之后仍要看清那双眼睛在看什么地方。九月的牌桌上，Claude 与 OpenAI 在极限难度上加注——Terminal-Bench 4.0 是 55.8 与 57.9，ExploitBench 是 100.0 与 76.5；小米选了另一条路，把力气花在把工具用熟、把漏洞找出来、把该引的引对。这条路走通了，Code 榜全球第六、国产第一就是证据；这条路也有边，AA-Omniscience 准确率的 35.0 对 67.0、ExploitGym 的 17.8 对 216、27 个 benchmark 里只有 18 格敢进排名，都是那道边。

后来者的好处是知道自己缺什么，难处是时间总不够用。MiMo-V2.6-Pro 已经证明”够用”二字可以做到国产最好，剩下的问题是：当北美旗舰把难度再抬一档时，这把尺子还量不量得到自己。

综合榜单：https://suyoumo.github.io/llm-leaderboard/